Künstliche Intelligenz
Gender bias in machine learning
Orfeas Menis–Mastromichalakis und andere (2025) untersuchen, wie maschinelle Lernsysteme Geschlechterstereotype aus dem Arbeitsmarkt in Sprachübersetzungstechnologien widerspiegeln und verstärken. Mithilfe quantitativer Analysen offizieller Arbeitsmarktdaten (EU-LFS) und computergestützter Textanalysen großer Trainingsdatensätze in Englisch, Französisch und Griechisch werden Diskrepanzen zwischen realen Geschlechterverteilungen und den in Trainingsdaten repräsentierten Berufsrollen sichtbar. Die Ergebnisse zeigen, dass maschinelle Übersetzungssysteme bestehende geschlechtsspezifische Segregationen und stereotype Rollenbilder reproduzieren, obwohl sich die tatsächlichen Geschlechterverhältnisse in bestimmten Berufen, insbesondere in professionellen und Führungspositionen, zunehmend angleichen.
Die Analyse der geschlechtlichen Berufszusammensetzung in Griechenland, Frankreich und dem Vereinigten Königreich zwischen 2011 und 2023 verdeutlicht anhaltende geschlechtsspezifische Segregation: Technische, manuelle und transportbezogene Berufe sind überwiegend männlich dominiert, während Frauen vor allem in Pflege-, Betreuungs- und Verwaltungsberufen stark vertreten sind. Während Frankreich und Griechenland in einzelnen Berufen nahezu vollständige männliche oder weibliche Besetzungen aufweisen, zeigt das Vereinigte Königreich eine leichte Verbesserung der Geschlechterbalance. Automatisierte Übersetzungssysteme wie Google Translate, ChatGPT und DeepL ordnen Berufe weiterhin häufig geschlechtsspezifisch zu – so werden beispielsweise Ärzte meist männlich und Pflegekräfte weiblich übersetzt –, was gängige Rollenzuschreibungen verstärkt und die Präsenz unterrepräsentierter Geschlechter verdeckt. Die Studie unterstreicht damit die Notwendigkeit einer geschlechtersensiblen Datenaufbereitung und Bias-Korrektur in KI-Modellen, um inklusivere digitale Systeme im Sinne der EU-Gleichstellungsstrategie zu fördern.